एक तंत्रिका नेटवर्क इस अर्थ में एक ब्लैक बॉक्स है, जबकि यह किसी भी फ़ंक्शन को अनुमानित कर सकता है, इसकी संरचना का अध्ययन आपको फ़ंक्शन की संरचना पर कोई जानकारी नहीं देगा।
एक उदाहरण के रूप में, बैंकिंग व्यवसाय पर तंत्रिका नेटवर्क का एक सामान्य उपयोग ऋणदाताओं को "अच्छे भुगतानकर्ताओं" और "खराब भुगतानकर्ताओं" पर वर्गीकृत करना है। आपके पास इनपुट विशेषताओं सी (सेक्स, आयु, आय, आदि) और परिणामों के एक वेक्टर आर ("डिफ़ॉल्ट", "डिफ़ॉल्ट नहीं", आदि) का एक मैट्रिक्स है । जब आप इसे एक तंत्रिका नेटवर्क का उपयोग करके मॉडल करते हैं, तो आप मान रहे हैं कि गणितीय फ़ंक्शन के उचित अर्थ में एक फ़ंक्शन च( सी)) = आर । यह फ़ंक्शन f मनमाने ढंग से जटिल हो सकता है, और व्यवसाय के विकास के अनुसार बदल सकता है, इसलिए आप इसे हाथ से प्राप्त नहीं कर सकते।
तो फिर आप तंत्रिका नेटवर्क का उपयोग सन्निकटन का निर्माण करने के लिए करते हैं जिसमें एक त्रुटि दर है जो आपके आवेदन के लिए स्वीकार्य है। यह काम करता है, और सटीक मनमाने ढंग से छोटा हो सकता है - आप नेटवर्क का विस्तार कर सकते हैं, अपने प्रशिक्षण मापदंडों को ठीक कर सकते हैं और अधिक डेटा प्राप्त कर सकते हैं जब तक कि सटीक आपके लक्ष्यों को हिट नहीं करता।च
ब्लैक बॉक्स का मुद्दा यह है: तंत्रिका नेटवर्क द्वारा दिए गए अनुमान आपको एफ के रूप में कोई जानकारी नहीं देंगे। वजन और फ़ंक्शन के बीच कोई सरल लिंक नहीं है। यहां तक कि विश्लेषण जिसमें इनपुट विशेषता अप्रासंगिक है, एक खुली समस्या है (इस लिंक को देखें )।
इसके अलावा, पारंपरिक आंकड़ों के दृष्टिकोण से, एक तंत्रिका नेटवर्क एक गैर-पहचान योग्य मॉडल है: एक डेटासेट और नेटवर्क टोपोलॉजी को देखते हुए, अलग-अलग भार और एक ही परिणाम के साथ दो तंत्रिका नेटवर्क हो सकते हैं। यह विश्लेषण को बहुत कठिन बनाता है।
"गैर-ब्लैक बॉक्स मॉडल", या "व्याख्यात्मक मॉडल" के उदाहरण के रूप में, आपके पास प्रतिगमन समीकरण और निर्णय पेड़ हैं। पहला आपको एफ का एक बंद रूप सन्निकटन देता है जहां प्रत्येक तत्व का महत्व स्पष्ट है, दूसरा एक कुछ रिश्तेदार जोखिमों के अंतर का विवरण है।